Fugu-MT 論文翻訳(概要): Global Consistent Point Cloud Registration Based on Lie-algebraic Cohomology

論文の概要: Global Consistent Point Cloud Registration Based on Lie-algebraic Cohomology

arxiv url: http://arxiv.org/abs/2208.07103v1
Date: Mon, 15 Aug 2022 10:07:45 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 14:02:12.301105
Title: Global Consistent Point Cloud Registration Based on Lie-algebraic Cohomology
Title（参考訳）: リー代数コホモロジーに基づくグローバル一貫性ポイントクラウド登録
Authors: Yuxue Ren, Baowei Jiang, Wei Chen, Na Lei, Xianfeng David Gu
Abstract要約: 幾何トポロジによる大域点雲の登録問題に対して,新しい効果的手法を提案する。本論文の主な技術的貢献は,ポアソン方程式の解法のみを用いて誤差の除去を行う線形手法である。
参考スコア（独自算出の注目度）: 11.26471118485867
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a novel, effective method for global point cloud registration problems by geometric topology. Based on many point cloud pairwise registration methods (e.g ICP), we focus on the problem of accumulated error for the composition of transformations along any loops. The major technical contribution of this paper is a linear method for the elimination of errors, using only solving a Poisson equation. We demonstrate the consistency of our method from Hodge-Helmhotz decomposition theorem and experiments on multiple RGBD datasets of real-world scenes. The experimental results also demonstrate that our global registration method runs quickly and provides accurate reconstructions.
Abstract（参考訳）: 幾何トポロジによる大域点雲の登録問題に対して,新しい効果的手法を提案する。多くのポイントクラウド対の登録法(ICPなど)に基づいて、任意のループに沿った変換の構成に対する累積誤差の問題に焦点をあてる。本論文の主な技術的貢献は,ポアソン方程式の解法のみを用いて誤差の除去を行う線形手法である。本手法はhodge-helmhotz分解定理と実世界の複数のrgbdデータセットの一貫性を示す。実験の結果,グローバル登録手法が高速に動作し,正確な復元が可能となった。

関連論文リスト

Universal Topology Refinement for Medical Image Segmentation with Polynomial Feature Synthesis [19.2371330932614]
医用画像分割法は、しばしばトポロジカルな正当性を無視し、下流の多くのタスクでは利用できない。 1つの選択肢は、トポロジ駆動の損失コンポーネントを含む、そのようなモデルを再訓練することである。本稿では,任意のドメイン固有のセグメンテーションパイプラインと互換性のあるプラグイン・アンド・プレイトポロジ・リファインメント法を提案する。
論文参考訳（メタデータ） (2024-09-15T17:07:58Z)
Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文参考訳（メタデータ） (2023-03-10T07:42:49Z)
A domain-decomposed VAE method for Bayesian inverse problems [0.0]
本稿では,これらの課題を同時に解決するために,ドメイン分割型変分自動エンコーダのマルコフ連鎖モンテカルロ(DD-VAE-MCMC)法を提案する。提案手法はまず,局所的履歴データに基づく局所的決定論的生成モデルを構築し,効率的な局所的事前表現を提供する。
論文参考訳（メタデータ） (2023-01-09T07:35:43Z)
Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文参考訳（メタデータ） (2022-10-17T08:02:33Z)
Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。本稿では,これらの問題に対処するための新しい手法を提案する。
論文参考訳（メタデータ） (2021-10-14T15:50:38Z)
The Neural Network shifted-Proper Orthogonal Decomposition: a Machine Learning Approach for Non-linear Reduction of Hyperbolic Equations [0.0]
本研究では,統計的学習フレームワークにおいて,正しい前処理変換を自動的に検出する問題にアプローチする。純粋にデータ駆動方式により、線形部分空間操作の既存のアプローチを未知の対流場を持つ非線形双曲問題に一般化することができる。提案アルゴリズムは、その性能をベンチマークするために単純なテストケースに対して検証され、その後、多相シミュレーションに成功している。
論文参考訳（メタデータ） (2021-08-14T15:13:35Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
Point Cloud Registration Based on Consistency Evaluation of Rigid Transformation in Parameter Space [0.0]
本稿では,高精度かつ安定した登録手法を提案する。提案手法は,ポイントクラウドからキーポイントを検出し,複数のディスクリプタを用いてトリプレットを生成する。
論文参考訳（メタデータ） (2020-11-10T10:13:15Z)
DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文参考訳（メタデータ） (2020-08-20T17:25:16Z)
Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文参考訳（メタデータ） (2020-07-13T03:27:45Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。